Trình Duyệt Tăng Tốc GPU cho Genomics Hình Ảnh Thần Kinh

Springer Science and Business Media LLC - Tập 16 - Trang 393-402 - 2018
Bob Zigon1, Huang Li2, Xiaohui Yao3, Shiaofen Fang2, Mohammad Al Hasan2, Jingwen Yan3, Jason H. Moore4, Andrew J. Saykin5, Li Shen4
1Beckman Coulter, Indianapolis, USA
2Department of Computer Science, Indiana University-Purdue University Indianapolis, Indianapolis, USA
3Department of BioHealth Informatics, Indiana University-Purdue University Indianapolis, Indianapolis, USA
4Department of Biostatistics, Epidemiology & Informatics, Perelman School of Medicine, University of Pennsylvania, Philadelphia, USA
5Department of Radiology and Imaging Sciences, IU School of Medicine, Indianapolis, USA

Tóm tắt

Genomics hình ảnh thần kinh là một lĩnh vực mới nổi cung cấp những cơ hội thú vị để hiểu biết về cơ sở di truyền của cấu trúc và chức năng của não. Tuy nhiên, quy mô chưa từng có và độ phức tạp của dữ liệu hình ảnh và gen đã tạo ra những nút thắt tính toán quan trọng. Trong công trình này, chúng tôi trình bày những nỗ lực ban đầu của mình trong việc xây dựng một hệ thống khám phá hình ảnh tương tác để khai thác dữ liệu lớn trong genomics hình ảnh thần kinh. Một công cụ duyệt web tăng tốc GPU cho genomics hình ảnh thần kinh đã được tạo ra để triển khai thuật toán ANOVA cho phân tích đa hình nucleotide đơn (SNP) và thuật toán VEGAS cho phân tích dựa trên gen, thực thi chúng với tốc độ tương tác. Thuật toán ANOVA nhanh hơn phiên bản OpenMP 4 lõi 110 lần, trong khi thuật toán VEGAS nhanh hơn 375 lần so với phiên bản OpenMP 4 lõi. Cách tiếp cận này thiết lập một nền tảng vững chắc cho các nhà nghiên cứu để giải quyết những thách thức trong việc khai thác các tập dữ liệu genomics hình ảnh quy mô lớn thông qua khám phá hình ảnh tương tác.

Từ khóa

#hình ảnh thần kinh #genomics #khai thác dữ liệu lớn #thuật toán ANOVA #thuật toán VEGAS #GPU #phân tích SNP

Tài liệu tham khảo

Eklund, A., Friman, O., Andersson, M., Knutsson, H. (2011). A gpu accelerated interactive interface for exploratory functional connectivity analysis of fmri data. In 2011 18Th IEEE international conference on image processing, pp. 1589–1592. https://doi.org/10.1109/ICIP.2011.6115753.

Gembris, D., Neeb, M., Gipp, M., Kugel, A., Männer, R. (2011). Correlation analysis on gpu systems using nvidia’s cuda. Journal of Real-Time Image Processing, 6(4), 275–280. https://doi.org/10.1007/s11554-010-0162-9.

Glahn, D., Thompson, P., Blangero, J. (2007). Neuroimaging endophenotypes: strategies for finding genes influencing brain structure and function. Human Brain Mapping, 28(6), 488–501. https://doi.org/10.1002/hbm.20401.

Hariri, A., Drabant, E., Weinberger, D. (2006). Imaging genetics: perspectives from studies of genetically driven variation in serotonin function and corticolimbic affective processing. Biological Psychiatry, 59(10), 888–97. https://doi.org/10.1016/j.biopsych.2005.11.005.

Hirschhorn, J.N., & Daly, M.J. (2005). Genome-wide association studies for common diseases and complex traits. Nature Reviews Genetics, 6(2), 95–108. https://doi.org/10.1038/nrg1521.

Kim, S., Shen, L., Saykin, A., West, J. (2009). Data synthesis and tool development for exploring imaging genomic patterns. IEEE Symposium on Computational Intelligence in Bioinformatics and Computational Biology proceedings . IEEE Symposium on Computational Intelligence in Bioinformatics and Computational Biology, 2009, 298–305. https://doi.org/10.1109/CIBCB.2009.4925742.

Kim, S., Shen, L., Saykin, A., West, J. (2009). Visual exploration of genetic association with voxel-based imaging phenotypes in an mci/ad study. Conference proceedings : ... Annual International Conference of the IEEE Engineering in Medicine and Biology Society. IEEE Engineering in Medicine and Biology Society. Annual Conference, 2009, 3849–52. https://doi.org/10.1109/IEMBS.2009.5332570.

Kim, S., Swaminathan, S., Inlow, M., Risacher, S., Nho, K., Shen, L., Foroud, T., Petersen, R., Aisen, P., Soares, H., Toledo, J., Shaw, L., Trojanowski, J., Weiner, M., McDonald, B., Farlow, M., Ghetti, B., Saykin, A. (2013). Influence of genetic variation on plasma protein levels in older adults using a multi-analyte panel. PloS one, 8(7), e70,269. https://doi.org/10.1371/journal.pone.0070269.

Liu, J., McRae, A., Nyholt, D., Medland, S., Wray, N., Brown, K., Hayward, N., Montgomery, G., Visscher, P., Martin, N., Macgregor, S. (2010). A versatile gene-based test for genome-wide association studies. American Journal of Human Genetics, 87(1), 139–45. https://doi.org/10.1016/j.ajhg.2010.06.009.

Liu, W., Zhu, P., Anderson, J.S., Yurgelun-Todd, D., Fletcher, P.T. (2010). Spatial regularization of functional connectivity using high-dimensional markov random fields. Med Image Comput Comput Assist Interv, 13(0 2), 363–370. http://www.ncbi.nlm.nih.gov/pmc/articles/PMC4214154/. 20879336[pmid].

Mishra, A., & Macgregor, S. (2015). Vegas2: Software for more flexible gene-based testing. Twin Research and Human Genetics : the Official Journal of the International Society for Twin Studies, 18(1), 86–91. https://doi.org/10.1017/thg.2014.79.

Purcell, S., Neale, B., Todd-Brown, K., Thomas, L., Ferreira, M., Bender, D., Maller, J., Sklar, P., de Bakker, P., Daly, M., Sham, P. (2007). Plink: a tool set for whole-genome association and population-based linkage analyses. American Journal of Human Genetics, 81(3), 559–75. https://doi.org/10.1086/519795.

Risacher, S., Saykin, A., West, J., Shen, L., Firpi, H., McDonald, B. (2009). Baseline mri predictors of conversion from mci to probable ad in the adni cohort. Current Alzheimer Research, 6(4), 347–61.

Saykin, A.J., Shen, L., Foroud, T.M., Potkin, S.G., Swaminathan, S., Kim, S., Risacher, S.L., Nho, K., Huentelman, M.J., Craig, D.W., Thompson, P.M., Stein, J.L., Moore, J.H., Farrer, L.A., Green, R.C., Bertram, L., Jack C.R.J., Weiner, M.W. (2010). Alzheimer’s disease neuroimaging, I.: Alzheimer’s disease neuroimaging initiative biomarkers as quantitative phenotypes: Genetics core aims, progress, and plans. Alzheimers Dement, 6(3), 265–73. https://doi.org/10.1016/j.jalz.2010.03.013. https://www.ncbi.nlm.nih.gov/pubmed/20451875.

Saykin, A.J., Shen, L., Yao, X., Kim, S., Nho, K., Risacher, S.L., Ramanan, V.K., Foroud, T.M., Faber, K.M., Sarwar, N., Munsie, L.M., Hu, X., Soares, H.D., Potkin, S.G., Thompson, P.M., Kauwe, J.S., Kaddurah-Daouk, R., Green, R.C., Toga, A.W., Weiner, M.W. (2015). Alzheimer’s disease neuroimaging, I.: Genetic studies of quantitative mci and ad phenotypes in adni: Progress, opportunities, and plans. Alzheimers Dement, 11(7), 792–814. https://doi.org/10.1016/j.jalz.2015.05.009. https://www.ncbi.nlm.nih.gov/pubmed/26194313.

Seshadri, S., DeStefano, A., Au, R., Massaro, J., Beiser, A., Kelly-Hayes, M., Kase, C., D’Agostino, R., Decarli, C., Atwood, L., Wolf, P. (2007). Genetic correlates of brain aging on mri and cognitive test measures: a genome-wide association and linkage analysis in the framingham study. BMC Medical Genetics, 8 Suppl 1, S15. https://doi.org/10.1186/1471-2350-8-S1-S15.

Shen, L., & Cooper, L.A. (2017). Imaging genomics. Pacific Symposium on Biocomputing, 22, 51–57. https://www.ncbi.nlm.nih.gov/pubmed/27896961.

Shen, L., Kim, S., Risacher, S., Nho, K., Swaminathan, S., West, J., Foroud, T., Pankratz, N., Moore, J., Sloan, C., Huentelman, M., Craig, D., Dechairo, B., Potkin, S., Jack, C., Weiner, M., Saykin, A. (2010). Whole genome association study of brain-wide imaging phenotypes for identifying quantitative trait loci in mci and ad: a study of the adni cohort. NeuroImage, 53(3), 1051–63. https://doi.org/10.1016/j.neuroimage.2010.01.042.

Shen, L., Thompson, P., Potkin, S., Bertram, L., Farrer, L., Foroud, T., Green, R., Hu, X., Huentelman, M., Kim, S., Kauwe, J., Li, Q., Liu, E., Macciardi, F., Moore, J., Munsie, L., Nho, K., Ramanan, V., Risacher, S., Stone, D., Swaminathan, S., Toga, A., Weiner, M., Saykin, A. (2014). Genetic analysis of quantitative phenotypes in ad and mci: imaging, cognition and biomarkers. Brain Imaging and Behavior, 8(2), 183–207. https://doi.org/10.1007/s11682-013-9262-z.

Viding, E., Williamson, D., Hariri, A. (2006). Developmental imaging genetics: challenges and promises for translational research. Development and Psychopathology, 18(3), 877–92.

Weiner, M.W., Veitch, D.P., Aisen, P.S., Beckett, L.A., Cairns, N.J., Cedarbaum, J., Green, R.C., Harvey, D., Jack, C.R., Jagust, W., Luthman, J., Morris, J.C., Petersen, R.C., Saykin, A.J., Shaw, L., Shen, L., Schwarz, A., Toga, A.W., Trojanowski, J.Q. (2015). Alzheimer’s Disease Neuroimaging, I.: 2014 update of the alzheimer’s disease neuroimaging initiative: A review of papers published since its inception. Alzheimers Dement, 11(6), e1–120. https://doi.org/10.1016/j.jalz.2014.11.001. https://www.ncbi.nlm.nih.gov/pubmed/26073027.

Yao, X., Yan, J., Liu, K., Kim, S., Nho, K., Risacher, S.L., Greene, C.S., Moore, J.H., Saykin, A.J., Shen, L. (2017). Alzheimer’s Disease Neuroimaging, I.: Tissue-specific network-based genome wide study of amygdala imaging phenotypes to identify functional interaction modules. Bioinformatics. https://doi.org/10.1093/bioinformatics/btx344. https://www.ncbi.nlm.nih.gov/pubmed/28575147.

Zondervan, K., & Cardon, L. (2007). Designing candidate gene and genome-wide case-control association studies. Nature Protocols, 2(10), 2492–501. https://doi.org/10.1038/nprot.2007.366.

Thông tin
Thông tin xuất bản

Springer Science and Business Media LLC

Tập 16

393-402

Thông tin tác giả